FORECAST¶

구문¶

CREATE [ OR REPLACE ] SNOWFLAKE.ML.FORECAST [ IF NOT EXISTS ] <name>(
  INPUT_DATA => <input_data>,
  [ SERIES_COLNAME => '<series_colname>', ]
  TIMESTAMP_COLNAME => '<timestamp_colname>',
  TARGET_COLNAME => '<target_colname>',
  [ CONFIG_OBJECT => <config_object> ]
)
[ [ WITH ] TAG ( <tag_name> = '<tag_value>' [ , <tag_name> = '<tag_value>' , ... ] ) ]
[ COMMENT = '<string_literal>' ]

CREATE SNOWFLAKE.ML.FORECAST <name>(
  '<input_data>', '<series_colname>', '<timestamp_colname>', '<target_colname>'
);

매개 변수¶

name

모델에 대한 식별자를 지정하는데, 모델이 생성된 스키마에 대해 고유한 식별자여야 합니다.

모델 식별자가 (db_name.schema_name.name 또는 schema_name.name 형식으로) 정규화되지 않은 경우 이 명령은 세션의 현재 스키마에서 모델을 생성합니다.

또한, 식별자는 알파벳 문자로 시작해야 하며 전체 식별자 문자열을 큰따옴표(예: "My object")로 묶지 않는 한 공백이나 특수 문자를 포함할 수 없습니다. 큰따옴표로 묶인 식별자도 대/소문자를 구분합니다.

자세한 내용은 식별자 요구 사항 섹션을 참조하십시오.

생성자 인자¶

필수:

INPUT_DATA => input_data

입력 데이터에 대한 참조. 참조를 사용하면 제한된 권한으로 실행되는 학습 프로세스에서 사용자의 권한을 사용해 데이터에 액세스하도록 할 수 있습니다. 데이터가 해당 양식에 이미 있는 경우 테이블 또는 뷰에 대한 참조를 사용하거나, 쿼리 참조 를 사용하여 데이터를 얻기 위해 실행할 쿼리를 제공할 수 있습니다.

참조 데이터는 예측 모델에서 사용하는 전체 학습 데이터입니다. input_data 에 timestamp_colname, target_colname 또는 series_colname 으로 명명되지 않은 열이 포함된 경우 이들은 외생 변수(추가 특징)로 간주됩니다. 입력 데이터의 열 순서는 중요하지 않습니다.

입력 데이터에는 사용 사례에 알맞은 유형의 열이 있어야 합니다. 각 사용 사례에 대한 자세한 내용은 예 섹션을 참조하십시오.

사용 사례	열 및 유형
단일 시계열	타임스탬프 열: TIMESTAMP_NTZ. 대상 값 열: FLOAT.
다중 시계열	계열 열: 숫자 값과 텍스트를 포함한 VARIANT. 타임스탬프 열: TIMESTAMP_NTZ. 대상 값 열: FLOAT.
외생 변수가 있는 단일 시계열	타임스탬프 열: TIMESTAMP_NTZ. 대상 값 열: FLOAT. 외생 특징 열: 숫자 또는 텍스트.
외생 변수가 있는 다중 시계열	계열 열: 숫자 값과 텍스트를 포함한 VARIANT. 타임스탬프 열: TIMESTAMP_NTZ. 대상 값 열: FLOAT. 외생 특징 열: 숫자 또는 텍스트.

TIMESTAMP_COLNAME => 'timestamp_colname'

input_data 에 타임스탬프가 포함된 열의 이름입니다.

TARGET_COLNAME => 'target_colname'

input_data 에 대상(종속 값)이 포함된 열의 이름입니다.

선택 사항:

SERIES_COLNAME => 'series_colname'

다중 시계열 모델의 경우 input_data 에서 다중 시계열을 정의하는 열의 이름입니다. 이 열은 다중 계열에 대한 예측 에 표시된 것처럼 임의 유형의 값 또는 하나 이상의 다른 열의 값으로 구성된 배열일 수 있습니다.

인자를 위치에 따라 제공하는 경우 이것은 두 번째 인자여야 합니다.

CONFIG_OBJECT => config_object

모델 학습 작업 구성에 사용되는 키-값 페어를 포함한 OBJECT 입니다.

키	타입	기본값	설명
on_error	STRING	'ABORT'	모델 학습 작업의 오류 처리 방법을 지정하는 문자열(상수)입니다. 이는 여러 계열을 학습할 때 가장 유용합니다. 지원되는 값은 다음과 같습니다. 'abort': 시계열에서 오류가 발생하면 학습 작업을 중단합니다. 'skip': 학습에서 오류가 발생하는 시계열을 건너뜁니다. 이를 통해 다른 시계열에 대한 모델 학습이 성공할 수 있습니다. 어떤 계열이 실패했는지 확인하려면 모델의 <name>!SHOW_TRAINING_LOGS 메서드를 사용하십시오.
evaluate	BOOLEAN	TRUE	평가 메트릭을 생성해야 하는지 여부입니다. TRUE인 경우 evaluation_config 의 매개 변수를 사용하여 교차 검증을 위해 추가 모델이 학습됩니다.
evaluation_config	OBJECT	아래의 평가 구성 섹션을 참조하십시오.	샘플 외부 평가 메트릭을 생성하는 방법을 지정하는 선택적 구성 오브젝트입니다.

평가 구성¶

evaluation_config 오브젝트에는 교차 검증을 구성하는 키-값 페어가 포함되어 있습니다. 이러한 매개 변수는 scikit-learn의 TimeSeriesSplit 에서 가져온 것입니다.

키	타입	기본값	설명
n_splits	INTEGER	5	분할 수입니다.
max_train_size	INTEGER 또는 NULL입니다(최대값 없음).	NULL	단일 학습 세트의 최대 크기입니다.
test_size	INTEGER 또는 NULL입니다.	NULL	테스트 세트의 크기를 제한하는 데 사용됩니다.
gap	INTEGER	0	테스트 세트 전에 각 학습 세트의 끝에서 제외할 샘플 수입니다.
prediction_interval	FLOAT	0.95	간격 메트릭 계산에 사용되는 예측 간격입니다.

사용법 노트¶

클래스 인스턴스의 복제 는 현재 지원되지 않습니다.

구문¶

SHOW SNOWFLAKE.ML.FORECAST [ LIKE <pattern> ]
  [ IN
      {
        ACCOUNT                  |

        DATABASE                 |
        DATABASE <database_name> |

        SCHEMA                   |
        SCHEMA <schema_name>     |
        <schema_name>
      }
   ]

매개 변수¶

LIKE 'pattern'

오브젝트 이름으로 명령 출력을 선택적으로 필터링합니다. 이 필터는 SQL 와일드카드 문자(% 및 _) 지원과 함께 대/소문자를 구분하지 않는 패턴 일치를 사용합니다.

예를 들어, 다음 패턴은 같은 결과를 반환합니다.

... LIKE '%testing%' ...

... LIKE '%TESTING%' ...

. 기본값: 값 없음(출력에 필터링이 적용되지 않음).

[ IN ... ]

선택적으로 명령의 범위를 지정합니다. 다음 중 하나를 지정합니다.

ACCOUNT

전체 계정의 레코드를 반환합니다.

DATABASE, . DATABASE db_name

현재 사용 중인 데이터베이스 또는 지정된 데이터베이스(db_name)의 레코드를 반환합니다.

db_name 없이 DATABASE 를 지정하고 사용 중인 데이터베이스가 없는 경우 키워드는 출력에 아무런 영향도 주지 않습니다.

SCHEMA, . SCHEMA schema_name, . schema_name

현재 사용 중인 스키마 또는 지정된 스키마(schema_name)의 레코드를 반환합니다.

데이터베이스가 사용 중이거나 정규화된 schema_name (예: db.schema)을 지정하는 경우 SCHEMA 는 선택 사항입니다.

사용 중인 데이터베이스가 없으면 SCHEMA 를 지정해도 출력에 아무런 영향도 주지 않습니다.

기본값: 세션에 현재 사용 중인 데이터베이스가 있는지 여부에 따라 다릅니다.

• 데이터베이스: DATABASE 가 기본값입니다(즉, 이 명령은 데이터베이스에서 볼 권한이 있는 오브젝트를 반환함).

• 데이터베이스 없음: ACCOUNT 가 기본값입니다(즉, 이 명령은 계정에서 볼 권한이 있는 오브젝트를 반환함).

출력¶

명령 출력은 다음 열에 모델 속성 및 메타데이터를 제공합니다.

구문¶

DROP SNOWFLAKE.ML.FORECAST [ IF EXISTS ] <name>;

매개 변수¶

name

삭제할 모델의 식별자를 지정합니다. 식별자에 공백, 특수 문자 또는 대/소문자가 혼합된 문자가 포함된 경우 전체 문자열을 큰따옴표로 묶어야 합니다. 큰따옴표로 묶인 식별자도 대/소문자를 구분합니다.

모델 식별자가 (db_name.schema_name.name 또는 schema_name.name 형식으로) 정규화되지 않은 경우 이 명령은 세션의 현재 스키마에서 모델을 찾습니다.

구문¶

필요한 인자는 모델이 학습된 사용 사례에 따라 다릅니다.

외생 변수가 없는 단일 계열 모델의 경우:

<name>!FORECAST(
  FORECASTING_PERIODS => <forecasting_periods>,
  [ CONFIG_OBJECT => <config_object> ]
);

외생 변수가 있는 단일 계열 모델의 경우:

<name>!FORECAST(
  INPUT_DATA => <input_data>,
  TIMESTAMP_COLNAME => '<timestamp_colname>',
  [ CONFIG_OBJECT => <config_object> ]
);

외생 변수가 없는 다중 계열 모델의 경우:

<name>!FORECAST(
  SERIES_VALUE => <series>,
  FORECASTING_PERIODS => <forecasting_periods>,
  [ CONFIG_OBJECT => <config_object> ]
);

외생 변수가 있는 다중 계열 모델의 경우:

<name>!FORECAST(
  SERIES_VALUE => <series>,
  SERIES_COLNAME => <series_colname>,
  INPUT_DATA => <input_data>,
  TIMESTAMP_COLNAME => '<timestamp_colname>',
  [ CONFIG_OBJECT => <config_object> ]
);

인자¶

필수:

모든 사용 사례에 다음 인자가 모두 필요한 것은 아닙니다.

FORECASTING_PERIODS => forecasting_periods

외생 변수가 없는 예측에 필요합니다.

예측할 다음 단계의 수입니다. 단계 사이의 간격은 학습 중에 모델이 유추합니다.

INPUT_DATA => input_data

외생 변수가 있는 예측에 필요합니다.

모델을 학습할 때 input_data 로 전달된 외생 변수(사용자가 추가로 제공한 특징)의 미래 타임스탬프와 값을 포함하는 테이블, 뷰 또는 쿼리에 대한 참조 입니다. 참조를 사용하면 제한된 권한으로 실행되는 예측 프로세스에서 사용자의 권한을 사용하여 데이터에 액세스할 수 있습니다. 열은 이 인자와 원래 외생 학습 데이터 간에 이름으로 매칭됩니다.

TIMESTAMP_COLNAME => 'timestamp_colname'

외생 변수가 있는 예측에 필요합니다.

타임스탬프를 포함한 input_data 에 있는 열의 이름입니다.

SERIES_COLNAME => 'series_colname'

외생 변수가 있는 다중 계열 예측에 필요합니다.

계열을 지정하는 input_data 에 있는 열의 이름입니다.

SERIES_VALUE => series

다중 계열 예측에 필요합니다.

예측할 시계열입니다. 단일 값(예: 'Series A'::variant) 또는 VARIANT 일 수 있지만, 모델 학습의 기반이 된 계열을 지정해야 합니다. 지정하지 않으면 학습된 계열이 전부 예측됩니다.

선택 사항:

CONFIG_OBJECT => config_object

예측 작업 구성에 사용되는 키-값 페어를 포함한 OBJECT 입니다.

키	타입	기본값	설명
prediction_interval	FLOAT	0.95	0.0보다 크거나 같고 1.0보다 작은 값입니다. 기본값은 0.95로, 미래 시점의 95%가 예측 결과에서 [lower_bound, upper_bound] 구간 내에 속할 것으로 예상된다는 의미입니다.
on_error	STRING	'ABORT'	오류 처리 방법을 지정하는 문자열(상수)입니다. 이는 여러 계열을 예측할 때 가장 유용합니다. 지원되는 값은 다음과 같습니다. 'abort': 시계열에서 오류가 발생하면 모델 예측 작업을 중단합니다. 'skip': 예측에서 오류가 발생하는 시계열을 건너뜁니다. 이를 통해 다른 시계열에 대한 예측이 성공할 수 있습니다. 실패한 계열에서 모델 출력에서 빠지게 됩니다.

출력¶

SERIES 열은 다중 계열 예측에만 존재합니다. 단일 계열 예측에는 이 열이 없습니다.

구문¶

<name>!EXPLAIN_FEATURE_IMPORTANCE();

출력¶

SERIES 열은 다중 계열 예측에만 존재합니다. 단일 계열 예측에는 이 열이 없습니다.

구문¶

<name>!SHOW_EVALUATION_METRICS();

출력¶

SERIES 열은 다중 계열 예측에만 존재합니다. 단일 계열 예측에는 이 열이 없습니다.

구문¶

<name>!SHOW_TRAINING_LOGS();

출력¶

SERIES 열은 다중 계열 모델에만 존재합니다. 단일 계열 모델에는 이 열이 없습니다.